BackgroundLKAB has struggled for years with measuring the amount of water that fines are containing when it leaves the filters. This is desirable because if the watercontent could be measured it would be easier to keep it stable on a suitable level and the waste in the process could be reduced. MethodThis paper explores the possibility to through predictions based on surrounding signals predict the water content of the fines with desirable precision. These signals are processed with statstical methods and models which will be compared. The models used are Linear-, LASSO, Random Forest- and Additive Models. ResultThe investigations suggests that interaction terms between predictors are not significant and neither are non-linear interactions between predictors and the response. The more complex models which includes more predictors does notperform better than the simpler ones. ConclusionThe resulting best model is a Simple Linear Model which includes the predictor Negative Pressure. This model has a measuring error which is estimated to be around +- 0.5 percentage points which can be compared to a water content percentage of about 7.5-10.5%. There is a LASSO-Model that generates a smaller estimated measuring error but the difference is not considered to be large enough to outweigh the increased complexity of the model. / BakgrundAtt mäta fukthalt i slig i direkt anslutning till de filter som torkar upp slig från slurry på ett till förlitligt sätt har i många år varit en utmaning för LKAB. Att kunna göra detta är önskvärt för att i förlängningen hålla fukten på en stabil nivå och därmed effektivisera pelletiseringsprocessen. MetodDenna uppsats undersöker möjligheten att genom prediktion baserat på kringliggande signaler prediktera fukthalten i sliget med önskvärd precision. Dessa signaler hanteras med hjälp av statistiska metoder och modeller som jämförs med varandra. De modeller som kommer att användas är Linjära-,LASSO-, Random Forest- samt Additiva Modeller. ResultatUndersökningen visar på att samspel mellan prediktorer ej är signifikanta och inte heller icke-linjära samspel mellan prediktorer och fukthalt. Vidare visar undersökningen att de mer komplexa modellerna som tar in fler prediktorer inte presterar bättre än de enklare. SlutsatsDen resulterande bästa modellen är en Enkel Linjär Modell som bygger på prediktorn Undertryck och har ett mätfel som i snitt över filtren skattas till +-0.5 procentenheter, att jämföra med en fuktalt på 7.5-10.5%. En LASSO-modell genererar ett mindre skattat mätfel men det anses ej vara nog mycket mindreför att väga upp för dess mer komplexa uppbyggnad.